基于BiFPN和Triplet注意力机制的YOLOv5s缺陷苹果识别算法

摘要

【目的】为了充分利用上下文信息和融合多尺度特征，提出基于BiFPN和Triplet注意力机制的YOLOv5s(BTF-YOLOv5s)缺陷苹果识别算法。【方法】首先，加权双向特征金字塔网络(BiFPN)引入额外的权重学习不同输入特征的重要性，模型通过自顶向下和自底向上的双向路径，实现多尺度特征的反复融合，提高多尺度的检测能力；其次，将Triplet注意力机制应用到Neck层以增强模型对目标之间的关联和上下文信息的表示能力，使模型更专注于苹果特征的学习；最后，采用Focal-CIoU损失函数调整损失权重，使模型更关注缺陷苹果的识别，提升模型的感知能力。通过消融试验对比不同损失函数，改变注意力机制在YOLOv5s结构中的位置，并与主流算法进行比较。【结果】BTF-YOLOv5s在初始YOLOv5s模型基础上，准确率、召回率和mAP方面分别提高了5.7、2.2和3.5个百分点，模型内存使用量为14.7 MB；平均精度比SSD、YOLOv3、YOLOv4、YOLOv5s、YOLOv7、YOLOv8n、YOLOv8s和YOLOv9的分别提升了5.7、3.5、13.3、3.5、2.9、2.6、2.8和0.3个百分点。【结论】模型在缺陷苹果识别中表现出显著的优越性，为采摘机器人在采摘过程中实现优质苹果与缺陷苹果的自动分拣提供了一定的技术支持。

关键词

YOLOv5s / 缺陷苹果 / 注意力机制 / 损失函数 / 目标检测 / 采摘机器人